具身智能实力派！十年多模态打底，世界模型开路，商汤悟能来了

克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

WAIC 2025大模型论坛上，商汤科技正式发布了「悟能」具身智能平台，官宣入局具身智能。

以此为出发点，商汤科技在具身智能领域的布局也开始浮出水面。

站在这个具身智能的风口之上，商汤选择此时入局，体现了怎样的思考，其背后又有着怎样的积淀？

吸引AI头部企业、初创公司和投资者们纷纷踏足，具身智能又究竟发展到了哪一步？

在这场论坛上，这些问题的答案被一一揭开。

新型多模态模型亮相WAIC

先来看商汤发布的日日新V6.5多模态推理大模型。

日日新6.5独创了图文交错思维链，跨模态推理精度显著提升。

传统的多模态推理模型，在推理之前会将图像转变成文本解读，后续的推理过程就变成了纯文本。

而在图文交错思维链当中，图像会以本体的形式参与到整个推理过程。

在这种图文混合的思考模式下，日日新6.5的多媒体推理能力在多个数据集上都超越了Gemini 2.5 Pro。

同时依托轻量Vision Encoder +和纵深LLM架构，日日新6.5相比6.0表现提升了6.99%，但推理成本只有日日新6.0的30%，综合算下来性价比提升了5倍。

随着模型能力提升，商汤在大模型落地上，就不止做“卖软件”的生意，还做“卖大脑”的生意。

从多模态模型到具身智能大脑

其实，商汤能够高调切入具身智能，是其从感知视觉、多模态，走向物理世界交互的必然结果。

商汤科技联合创始人、执行董事、首席科学家林达华认为，多模态是迈向AGI的必经之路。因此，只有能够同时“读文本、看世界、动手脚”，AI才可能真正理解并改造物理环境。

而且超过十年的行业落地经验，包括在自动驾驶领域的成功实践，也让商汤在感知、定位、轨迹规划和安全冗余等方面累积了大量真实数据与世界模型经验。

这些能力迁移到机器人等具身形态——相当于先在“会开车的大机器人”身上练兵，再扩展到泛化的移动与操作场景。

因此，商汤继「开悟」世界模型之后，发布全新「悟能」具身智能平台。一端承接日日新多模态大模型的通用能力，一端拥有打造和使用世界模型进行训练的经验，进而打造生态体系。

「开悟」世界模型背后包括商汤积累的10万3D资产，支持多视角视频生成，最多可以同时生成11个摄像头角度视频，并在长达150s的时间保持时空一致。

空间上，它可以理解遮挡、前后层级，让同一物体在不同视角下呈现一致外观。

时间上，它能够理解时序和运动规律，让物体在时间推移中保持自然连贯的变化。

并且支持参数化编辑，天气、光照、道路，以及路上的车辆，都支持一键变换。

在具身智能场景中，还可以同时处理人、物、场，构建4D的真实世界。

并且这种世界同时包含了第一和第三视角。

这样做的目的，是同时满足“机器人自己看到什么”与“人类示范动作长什么样”这两类信息的互补需求。

第一视角是机器人在真实运行时唯一能获取的感知流，它决定了模型推理时的输入分布；第三视角则能完整捕捉人类或机器人全身的姿态骨骼和环境关系，为动作意图、路径规划提供清晰标签。

将两种视角对齐训练，可以让模型学会把外部示范映射成自身可用的感觉‑动作对，一方面显著减少昂贵的遥操作数据量，另一方面提高跨机器人、跨场景的泛化能力，使同一个“大脑”既能看懂人类演示，也能在自己的相机视角下执行，从而加速具身智能落地。

基于「开悟」世界模型，商汤科技推出了「悟能」具身智能平台架构，包含感知、决策与行动等多个层次：

• 感知层：视觉/语音/触觉多传感输入；
• 决策层：LLM+世界模型协同规划；
• 行动层：VLA端到端控制机械臂、移动底盘。

这一大脑，能够支持自动驾驶、机器人、机器狗等具身场景中的感知、导航、交互等功能。

在具身智能落地上，商汤选择“软硬协同”路线。目前已与众多人形机器人、物流搬运底盘厂商、家用陪伴平台等伙伴达成合作，将T模型预装进不同形态的机器人，让硬件天然具备多模态感知和推理能力。

未来，随着硬件越卖越多，回流的视觉、语音和操作数据也越丰富，进一步反哺模型迭代，形成正向的数据飞轮。

破解具身智能行业难题

除了发布新产品，商汤还在这次论坛上组织具身智能行业从业者以及学术界人士，一起探讨了具身世界模型发展的关键问题。

圆桌讨论首先聚焦的问题，依然是数据稀缺——一个具身智能从业者面临的共同痛点。

北京大学助理教授、智源学者、银河通用创始人兼CTO王鹤介绍了他的解决方案——先在虚拟环境把pick‑and‑place做到几乎与现实一致，再用少量真机样本校正长尾场景。

而商汤“开悟”世界模型恰好承接了“99%”的合成任务，能够批量生成长时多摄像一致的视频。

商汤与傅利叶等伙伴合作推出的超千万数量级的机器人，则源源不断回流那关键“1%”的真实视觉、语音和操作日志，二者形成互补闭环，解决了数据从量到质的难题。

当然，数据只有“量”还远远不够，商汤联合创始人、执行董事、CTO王晓刚认为，仅有机器人本身摄像头的第一视角并不够，上帝俯瞰的第三视角能补全肢体骨骼与全局语义；只有把两种视角对齐，端到端训练才能兼顾感知与动作。

澳大利亚科学院院士、南洋理工大学教授陶大程进一步指出，第一视角不仅要看图像，还要叠加深度、惯性、力觉等多传感器流，才能完整地捕捉“感知—意图—行动”闭环。

为此，商汤在世界模型中同步生成并标定第一和第三视角数据，确保时空一致，再映射回端侧传感器，让机器人既“看自己”也“学别人”，从而缩短仿真与现实之间的落差。

这一做法也契合圆桌嘉宾关于“视角一致性决定迁移效果”形成的共识。

关于模型路线的取舍，同样引发了热议。

上海交通大学人工智能学院副院长、上海穹彻智能科技创始人卢策吾认为，必须兼顾通用与场景闭环。

上海市信息投资股份有限公司副总裁、库帕斯科技董事长山栋明则从投资与供应链角度呼应这一观点。他认为当下只要能把设备铺出去，真实数据自然会涌回。

商汤正在验证这条“双轮”路径——多模态大模型日日新V6.5提供跨领域能力，垂直应用不断把真实反馈注入基座，驱动模型滚动升级。

综合来看，商汤通过世界模型的大规模仿真、合作硬件的真实数据回流、第一与第三视角的融合标注，以及“通用大脑 + 场景闭环”的协同演进，把数据、算法与硬件生态织成了一条自循环链。

商汤的数据飞轮已起步，正全速领跑未来赛道，将通过多模态与硬件协同，共筑具身智能护城河。

从工业到家庭，千万数量级机器人将承载这颗具身大脑。